Los mercados de criptomonedas se caracterizan por una alta volatilidad, dependencias no lineales y una transparencia limitada, lo que hace que la previsión a corto plazo sea particularmente desafiante tanto para investigadores como para profesionales. Para abordar estas complejidades, este estudio presenta un marco de previsión basado en un Transformador de Fusión Temporal (TFT) que integra indicadores en cadena y técnicos para mejorar el rendimiento predictivo e informar decisiones de trading tácticas. Al combinar características de múltiples fuentes, como el Ratio de Beneficio de Salida Gastada (SOPR), el Valor Total Bloqueado (TVL), direcciones activas (AA), flujo neto de intercambio (ENF), Ondas HODL de Capital Realizado y el Índice de Miedo y Codicia Cripto, con señales clásicas como el Índice de Fuerza Relativa (RSI) y la convergencia/divergencia de la media móvil (MACD), el modelo captura patrones de comportamiento, sentimiento del inversor y dinámicas de precios en una estructura unificada. Cinco criptomonedas principales: BTC, ETH, USDT, XRP y BNB, sirven como base empírica para la evaluación. El modelo TFT propuesto se compara con LSTM, GRU, SVR y XGBoost utilizando métricas de regresión estándar para evaluar la precisión de la previsión. Más allá de la predicción, se desarrolla una estrategia de trading basada en señales al traducir las salidas del modelo en señales diarias de compra, mantenimiento o venta, con el rendimiento evaluado a través de un conjunto integral de métricas financieras. Los resultados sugieren que integrar el aprendizaje profundo basado en atención con indicadores informados por el dominio proporciona un enfoque efectivo e interpretable para la previsión de criptomonedas de múltiples activos y la optimización de estrategias de cartera en tiempo real.